So this is my niece. Her name is Yahli. She is nine months old. Her mum is a doctor, and her dad is a lawyer. By the time Yahli goes to college, the jobs her parents do are going to look dramatically different.
Voici ma nièce. Elle s'appelle Yahli. Elle a neuf mois. Sa mère est médecin et son père est avocat. D'ici à ce que Yahli aille à l'université, les emplois de ses parents auront dramatiquement changé.
In 2013, researchers at Oxford University did a study on the future of work. They concluded that almost one in every two jobs have a high risk of being automated by machines. Machine learning is the technology that's responsible for most of this disruption. It's the most powerful branch of artificial intelligence. It allows machines to learn from data and mimic some of the things that humans can do. My company, Kaggle, operates on the cutting edge of machine learning. We bring together hundreds of thousands of experts to solve important problems for industry and academia. This gives us a unique perspective on what machines can do, what they can't do and what jobs they might automate or threaten.
En 2013, des chercheurs de l'université d'Oxford ont fait une étude sur l'avenir du travail. Ils ont conclu que près d'un emploi sur deux avait de forts risques d'être automatisé grâce aux machines. L'apprentissage automatique est la technologie responsable de ces disruptions. C'est l'intelligence artificielle la plus puissante. Elle permet aux machines d'apprendre et d'imiter certains comportements humains. Mon entreprise, Kaggle, opère à la pointe de l'apprentissage automatique. Nous réunissons des centaines de milliers d'experts pour résoudre d'importants problèmes industriels et académiques. Cela nous offre un aperçu unique de ce que les machines peuvent faire, ne peuvent pas faire et quels emplois elles pourraient automatiser ou menacer.
Machine learning started making its way into industry in the early '90s. It started with relatively simple tasks. It started with things like assessing credit risk from loan applications, sorting the mail by reading handwritten characters from zip codes. Over the past few years, we have made dramatic breakthroughs. Machine learning is now capable of far, far more complex tasks. In 2012, Kaggle challenged its community to build an algorithm that could grade high-school essays. The winning algorithms were able to match the grades given by human teachers. Last year, we issued an even more difficult challenge. Can you take images of the eye and diagnose an eye disease called diabetic retinopathy? Again, the winning algorithms were able to match the diagnoses given by human ophthalmologists.
L'apprentissage automatique a débuté au début des années 1990. Au début, les tâches étaient assez simples : évaluer les risques relatifs aux demandeurs de crédit, trier le courrier en lisant les codes postaux manuscrits. Ces dernières années, nous avons fait des avancées spectaculaires. L'apprentissage automatique permet d'effectuer des tâches plus complexes. En 2012, Kaggle a défié sa communauté de créer un algorithme pouvant noter les dissertations de lycéens. Les algorithmes gagnants pouvaient égaler les notes données par des professeurs. L'année dernière, le défi était encore plus difficile. A partir de photos d'un œil, diagnostiquer une maladie oculaire du nom de rétinopathie diabétique. A nouveau, les algorithmes gagnants faisaient les mêmes diagnostics qu'un ophtalmologiste.
Now, given the right data, machines are going to outperform humans at tasks like this. A teacher might read 10,000 essays over a 40-year career. An ophthalmologist might see 50,000 eyes. A machine can read millions of essays or see millions of eyes within minutes. We have no chance of competing against machines on frequent, high-volume tasks.
Avec les bonnes données, les machines peuvent surpasser les humains sur ce genre de tâches. Un professeur lit 10 000 dissertations en 40 ans de carrière. Un ophtalmologiste voit 50 000 yeux. Une machine peut lire des millions de dissertations, voir des millions d'yeux en quelques minutes. Nous ne pouvons pas concurrencer les machines sur des tâches répétitives et nombreuses.
But there are things we can do that machines can't do. Where machines have made very little progress is in tackling novel situations. They can't handle things they haven't seen many times before. The fundamental limitations of machine learning is that it needs to learn from large volumes of past data. Now, humans don't. We have the ability to connect seemingly disparate threads to solve problems we've never seen before.
Mais nous pouvons faire des choses que les machines ne peuvent pas faire. Les machines ont fait peu de progrès dans la gestion de situations nouvelles. Elles ne peuvent pas gérer ce qu'elles n'ont pas déjà vu nombre de fois. La limite fondamentale de l'apprentissage automatique est la nécessité d'apprendre d'un important volume de données passées. Ce n'est pas le cas des humains. Nous pouvons connecter des idées apparemment disparates pour résoudre des problèmes jusqu'alors inconnus.
Percy Spencer was a physicist working on radar during World War II, when he noticed the magnetron was melting his chocolate bar. He was able to connect his understanding of electromagnetic radiation with his knowledge of cooking in order to invent -- any guesses? -- the microwave oven.
Pery Spencer, un physicien, travaillait sur les radars pendant la Seconde Guerre Mondiale lorsqu'il a remarqué que le magnétron faisait fondre son chocolat. Il a pu relier sa compréhension des radiations électromagnétiques à se connaissance de la cuisine afin d'inventer -- une idée ? -- le four à micro-ondes.
Now, this is a particularly remarkable example of creativity. But this sort of cross-pollination happens for each of us in small ways thousands of times per day. Machines cannot compete with us when it comes to tackling novel situations, and this puts a fundamental limit on the human tasks that machines will automate.
C'est un exemple remarquable de créativité. Mais cette pollinisation croisée se produit de plein de façons, des milliers de fois chaque jour. La machines ne savent pas gérer de nouvelles situations et cela limite les tâches humaines que les machines automatiseront.
So what does this mean for the future of work? The future state of any single job lies in the answer to a single question: To what extent is that job reducible to frequent, high-volume tasks, and to what extent does it involve tackling novel situations? On frequent, high-volume tasks, machines are getting smarter and smarter. Today they grade essays. They diagnose certain diseases. Over coming years, they're going to conduct our audits, and they're going to read boilerplate from legal contracts. Accountants and lawyers are still needed. They're going to be needed for complex tax structuring, for pathbreaking litigation. But machines will shrink their ranks and make these jobs harder to come by.
Qu'est-ce que cela signifie pour le futur du travail ? L'état futur de chaque emploi réside dans une seule question : dans quelle mesure cet emploi peut-il être réduit à des tâches répétitives et nombreuses ? Dans quelle mesure nécessite-t-il la gestion de nouvelles situations ? Pour les tâches répétitives et nombreuses, les machines s'améliorent encore. Elles notent des dissertations et font des diagnostics. Dans quelques années, elles conduiront nos audits et pourront lire des contrats légaux standards. On aura besoin de comptables, d'avocats. On aura besoin d'eux pour la structuration fiscale complexe, pour certains contentieux. Les machines réduiront les rangs et rendront ces postes plus rares.
Now, as mentioned, machines are not making progress on novel situations. The copy behind a marketing campaign needs to grab consumers' attention. It has to stand out from the crowd. Business strategy means finding gaps in the market, things that nobody else is doing. It will be humans that are creating the copy behind our marketing campaigns, and it will be humans that are developing our business strategy.
Comme je l'ai dit, les machines ne progressent pas sur les situations nouvelles. Une campagne de promotion devra attirer l'attention des consommateurs. Elle devra sortir du lot. La stratégie commerciale, c'est percer le marché, faire des choses que personne ne fait. Ce seront les humains qui créeront ces campagnes de promotion et qui développeront nos stratégies commerciales.
So Yahli, whatever you decide to do, let every day bring you a new challenge. If it does, then you will stay ahead of the machines.
Yahli, quoi que tu décides de faire, que chaque jour t'apporte un nouveau défi. Si c'est le cas, tu auras de l'avance sur les machines.
Thank you.
Merci.
(Applause)
(Applaudissements)